氧化物神经元器件及其神经网络应用
李宗晓, 胡令祥, 王敬蕊, 诸葛飞
无机材料学报
2024, 39 ( 4):
345-358.
DOI:10.15541/jim20230405
目前, 人工智能在人类社会发挥着越来越重要的作用, 以深度学习为代表的人工智能算法对硬件算力的要求也越来越高。然而随着摩尔定律逼近极限, 传统冯·诺依曼计算架构越来越难以满足硬件算力提升的迫切需求。受人脑启发的新型神经形态计算采用数据处理与存储一体架构, 有望为开发低能耗、高算力的新型人工智能技术提供重要的硬件基础。人工神经元和人工突触作为神经形态计算系统的核心组成部分, 是当前研究的前沿和热点。本文聚焦氧化物人工神经元, 从神经元数学模型出发, 重点介绍了基于氧化物电子器件的霍奇金-赫胥黎神经元、泄漏-累积-发射神经元和振荡神经元的最新研究进展, 系统分析了器件结构、工作机制对神经元功能模拟的影响规律。进一步, 根据不同尖峰发射动态行为, 阐述了基于氧化物神经元硬件的脉冲神经网络和振荡神经网络的研究进展。最后, 讨论了氧化物神经元在器件、阵列、神经网络等层面面临的挑战, 并展望了其在神经形态计算等领域的发展前景。
View image in article
图3
基于反铁电场效应晶体管的LIF神经元[43]
正文中引用本图/表的段落
很多氧化物具有铁电性, 如BaTiO3[36]、Pb(ZrxTi1-x)O3[37]、BiFeO3[38]等, 然而其CMOS工艺兼容性欠缺。自CMOS工艺中常用的HfO2被发现具有铁电性[39]以来, FeFET器件受到了广泛的关注。2018年Mulaosmanovic等[40-41]研究了Si:HfO2在电压脉冲下极化强度累积特性及铁电畴形核的随机性。进一步地, 利用Si:HfO2基FeFET构建了LIF神经元[42]，在不同电压脉冲幅值和脉宽下实现了全有/全无特性。此外, FeFET神经元同时接收兴奋性和抑制性信号时, 发射一个尖峰信号所需的兴奋性电压脉冲数量会随着抑制电压幅值增大而增加。然而, 由于非易失性, 铁电神经元中通常需要包含置位电路和脉冲发生器。Chen等通过调控Hf0.5Zr0.5O2结晶度实现了自发复位的FeFET, 进而构建了具有频率自适应性发射功能的LIF神经元[44]和无需电容的LIF神经元[45]。然而, 铁电材料结晶度调控难度高, 难以满足器件大规模集成需求。2022年Cao等[43]利用Hf0.2Zr0.8O2反铁电薄膜构建反铁电晶体管(图3(a))。不同于铁电材料, 反铁电材料在电场作用下呈现电滞回线, 撤去电场后剩余极化为零。如图3(a)中上图所示, 反铁电晶体管在负栅压下为关闭状态, 正栅压下为开启状态。随着正栅压幅值增加, 反铁电材料极化强度增加, 器件电流增加。而随着栅压降低, 由于电滞回线的影响, 器件电流呈现回滞特性。当栅压为零时, 反铁电材料剩余极化为零, 器件关闭。因此, 器件在电压脉冲刺激下的电流呈现先增加后下降的现象, 其中自发的电流下降现象与神经元的泄漏类似。如图3(a)中下图所示, 器件在恒定幅值的连续电压脉冲刺激下, 器件电流表现出累积增加和自发泄漏的现象。如图3(b)所示, 通过在栅极施加不同幅值电压脉冲, 器件可模拟神经元膜电位动态累积和泄漏行为。搭建神经元电路(图3(c))可实现LIF发射行为和不应期。该人工神经元无需置位电路和额外的微结构调控, 降低了电路复杂性和能耗。
在系统层面, SNN硬件已经成功使用Hebbian规则和梯度下降方法执行监督和无监督学习规则, 并用于图像识别。然而, 这些SNN硬件中人工神经元数量较少, 只能处理小像素图像。构建高性能的SNN硬件系统不仅需要集成更多的神经元和突触, 而且需构筑多层SNN架构。此外, 人工神经元和突触需要在制备工艺兼容性、工作电压(电流)和生物动力学(神经元模型、突触可塑性)匹配等方面进行统筹协调。至于ONN硬件, 神经元间的相互耦合是实现高能效计算的关键。然而, 随着神经元数量增加, 硬件中电阻/电容数量将呈指数式增长, 同时神经元间互连难度急剧增加。开发3D堆栈技术使神经元间垂直集成可有效降低互连难度。
* S: Source; R: Resistor; C: Capacitor; T: Transistor ... Phase transitions enable computational universality in neuristor-based cellular automata 1 2013 ... 目前硬件实现HH神经元的研究仍然较少.虽然理论仿真表明基于HH神经元网络能够执行布尔逻辑运算[35], 但充分利用HH神经元动力学的计算应用仍然缺失. ... Ferroelectric properties of dense nanocrystalline BaTiO3 ceramics 1 2004 ... 很多氧化物具有铁电性, 如BaTiO3[36]、Pb(ZrxTi1-x)O3[37]、BiFeO3[38]等, 然而其CMOS工艺兼容性欠缺.自CMOS工艺中常用的HfO2被发现具有铁电性[39]以来, FeFET器件受到了广泛的关注.2018年Mulaosmanovic等[40-41]研究了Si:HfO2在电压脉冲下极化强度累积特性及铁电畴形核的随机性.进一步地, 利用Si:HfO2基FeFET构建了LIF神经元[42]，在不同电压脉冲幅值和脉宽下实现了全有/全无特性.此外, FeFET神经元同时接收兴奋性和抑制性信号时, 发射一个尖峰信号所需的兴奋性电压脉冲数量会随着抑制电压幅值增大而增加.然而, 由于非易失性, 铁电神经元中通常需要包含置位电路和脉冲发生器.Chen等通过调控Hf0.5Zr0.5O2结晶度实现了自发复位的FeFET, 进而构建了具有频率自适应性发射功能的LIF神经元[44]和无需电容的LIF神经元[45].然而, 铁电材料结晶度调控难度高, 难以满足器件大规模集成需求.2022年Cao等[43]利用Hf0.2Zr0.8O2反铁电薄膜构建反铁电晶体管(图3(a)).不同于铁电材料, 反铁电材料在电场作用下呈现电滞回线, 撤去电场后剩余极化为零.如图3(a)中上图所示, 反铁电晶体管在负栅压下为关闭状态, 正栅压下为开启状态.随着正栅压幅值增加, 反铁电材料极化强度增加, 器件电流增加.而随着栅压降低, 由于电滞回线的影响, 器件电流呈现回滞特性.当栅压为零时, 反铁电材料剩余极化为零, 器件关闭.因此, 器件在电压脉冲刺激下的电流呈现先增加后下降的现象, 其中自发的电流下降现象与神经元的泄漏类似.如图3(a)中下图所示, 器件在恒定幅值的连续电压脉冲刺激下, 器件电流表现出累积增加和自发泄漏的现象.如图3(b)所示, 通过在栅极施加不同幅值电压脉冲, 器件可模拟神经元膜电位动态累积和泄漏行为.搭建神经元电路(图3(c))可实现LIF发射行为和不应期.该人工神经元无需置位电路和额外的微结构调控, 降低了电路复杂性和能耗. ... Switchable diode effect in ferroelectric thin film: high dependence on poling process and temperature 1 2014 ... 很多氧化物具有铁电性, 如BaTiO3[36]、Pb(ZrxTi1-x)O3[37]、BiFeO3[38]等, 然而其CMOS工艺兼容性欠缺.自CMOS工艺中常用的HfO2被发现具有铁电性[39]以来, FeFET器件受到了广泛的关注.2018年Mulaosmanovic等[40-41]研究了Si:HfO2在电压脉冲下极化强度累积特性及铁电畴形核的随机性.进一步地, 利用Si:HfO2基FeFET构建了LIF神经元[42]，在不同电压脉冲幅值和脉宽下实现了全有/全无特性.此外, FeFET神经元同时接收兴奋性和抑制性信号时, 发射一个尖峰信号所需的兴奋性电压脉冲数量会随着抑制电压幅值增大而增加.然而, 由于非易失性, 铁电神经元中通常需要包含置位电路和脉冲发生器.Chen等通过调控Hf0.5Zr0.5O2结晶度实现了自发复位的FeFET, 进而构建了具有频率自适应性发射功能的LIF神经元[44]和无需电容的LIF神经元[45].然而, 铁电材料结晶度调控难度高, 难以满足器件大规模集成需求.2022年Cao等[43]利用Hf0.2Zr0.8O2反铁电薄膜构建反铁电晶体管(图3(a)).不同于铁电材料, 反铁电材料在电场作用下呈现电滞回线, 撤去电场后剩余极化为零.如图3(a)中上图所示, 反铁电晶体管在负栅压下为关闭状态, 正栅压下为开启状态.随着正栅压幅值增加, 反铁电材料极化强度增加, 器件电流增加.而随着栅压降低, 由于电滞回线的影响, 器件电流呈现回滞特性.当栅压为零时, 反铁电材料剩余极化为零, 器件关闭.因此, 器件在电压脉冲刺激下的电流呈现先增加后下降的现象, 其中自发的电流下降现象与神经元的泄漏类似.如图3(a)中下图所示, 器件在恒定幅值的连续电压脉冲刺激下, 器件电流表现出累积增加和自发泄漏的现象.如图3(b)所示, 通过在栅极施加不同幅值电压脉冲, 器件可模拟神经元膜电位动态累积和泄漏行为.搭建神经元电路(图3(c))可实现LIF发射行为和不应期.该人工神经元无需置位电路和额外的微结构调控, 降低了电路复杂性和能耗. ... Epitaxial BiFeO3 thin films on Si 1 2004 ... 很多氧化物具有铁电性, 如BaTiO3[36]、Pb(ZrxTi1-x)O3[37]、BiFeO3[38]等, 然而其CMOS工艺兼容性欠缺.自CMOS工艺中常用的HfO2被发现具有铁电性[39]以来, FeFET器件受到了广泛的关注.2018年Mulaosmanovic等[40-41]研究了Si:HfO2在电压脉冲下极化强度累积特性及铁电畴形核的随机性.进一步地, 利用Si:HfO2基FeFET构建了LIF神经元[42]，在不同电压脉冲幅值和脉宽下实现了全有/全无特性.此外, FeFET神经元同时接收兴奋性和抑制性信号时, 发射一个尖峰信号所需的兴奋性电压脉冲数量会随着抑制电压幅值增大而增加.然而, 由于非易失性, 铁电神经元中通常需要包含置位电路和脉冲发生器.Chen等通过调控Hf0.5Zr0.5O2结晶度实现了自发复位的FeFET, 进而构建了具有频率自适应性发射功能的LIF神经元[44]和无需电容的LIF神经元[45].然而, 铁电材料结晶度调控难度高, 难以满足器件大规模集成需求.2022年Cao等[43]利用Hf0.2Zr0.8O2反铁电薄膜构建反铁电晶体管(图3(a)).不同于铁电材料, 反铁电材料在电场作用下呈现电滞回线, 撤去电场后剩余极化为零.如图3(a)中上图所示, 反铁电晶体管在负栅压下为关闭状态, 正栅压下为开启状态.随着正栅压幅值增加, 反铁电材料极化强度增加, 器件电流增加.而随着栅压降低, 由于电滞回线的影响, 器件电流呈现回滞特性.当栅压为零时, 反铁电材料剩余极化为零, 器件关闭.因此, 器件在电压脉冲刺激下的电流呈现先增加后下降的现象, 其中自发的电流下降现象与神经元的泄漏类似.如图3(a)中下图所示, 器件在恒定幅值的连续电压脉冲刺激下, 器件电流表现出累积增加和自发泄漏的现象.如图3(b)所示, 通过在栅极施加不同幅值电压脉冲, 器件可模拟神经元膜电位动态累积和泄漏行为.搭建神经元电路(图3(c))可实现LIF发射行为和不应期.该人工神经元无需置位电路和额外的微结构调控, 降低了电路复杂性和能耗. ... Ferroelectricity in hafnium oxide thin films 1 2011 ... 很多氧化物具有铁电性, 如BaTiO3[36]、Pb(ZrxTi1-x)O3[37]、BiFeO3[38]等, 然而其CMOS工艺兼容性欠缺.自CMOS工艺中常用的HfO2被发现具有铁电性[39]以来, FeFET器件受到了广泛的关注.2018年Mulaosmanovic等[40-41]研究了Si:HfO2在电压脉冲下极化强度累积特性及铁电畴形核的随机性.进一步地, 利用Si:HfO2基FeFET构建了LIF神经元[42]，在不同电压脉冲幅值和脉宽下实现了全有/全无特性.此外, FeFET神经元同时接收兴奋性和抑制性信号时, 发射一个尖峰信号所需的兴奋性电压脉冲数量会随着抑制电压幅值增大而增加.然而, 由于非易失性, 铁电神经元中通常需要包含置位电路和脉冲发生器.Chen等通过调控Hf0.5Zr0.5O2结晶度实现了自发复位的FeFET, 进而构建了具有频率自适应性发射功能的LIF神经元[44]和无需电容的LIF神经元[45].然而, 铁电材料结晶度调控难度高, 难以满足器件大规模集成需求.2022年Cao等[43]利用Hf0.2Zr0.8O2反铁电薄膜构建反铁电晶体管(图3(a)).不同于铁电材料, 反铁电材料在电场作用下呈现电滞回线, 撤去电场后剩余极化为零.如图3(a)中上图所示, 反铁电晶体管在负栅压下为关闭状态, 正栅压下为开启状态.随着正栅压幅值增加, 反铁电材料极化强度增加, 器件电流增加.而随着栅压降低, 由于电滞回线的影响, 器件电流呈现回滞特性.当栅压为零时, 反铁电材料剩余极化为零, 器件关闭.因此, 器件在电压脉冲刺激下的电流呈现先增加后下降的现象, 其中自发的电流下降现象与神经元的泄漏类似.如图3(a)中下图所示, 器件在恒定幅值的连续电压脉冲刺激下, 器件电流表现出累积增加和自发泄漏的现象.如图3(b)所示, 通过在栅极施加不同幅值电压脉冲, 器件可模拟神经元膜电位动态累积和泄漏行为.搭建神经元电路(图3(c))可实现LIF发射行为和不应期.该人工神经元无需置位电路和额外的微结构调控, 降低了电路复杂性和能耗. ... Accumulative polarization reversal in nanoscale ferroelectric transistors 1 2018 ... 很多氧化物具有铁电性, 如BaTiO3[36]、Pb(ZrxTi1-x)O3[37]、BiFeO3[38]等, 然而其CMOS工艺兼容性欠缺.自CMOS工艺中常用的HfO2被发现具有铁电性[39]以来, FeFET器件受到了广泛的关注.2018年Mulaosmanovic等[40-41]研究了Si:HfO2在电压脉冲下极化强度累积特性及铁电畴形核的随机性.进一步地, 利用Si:HfO2基FeFET构建了LIF神经元[42]，在不同电压脉冲幅值和脉宽下实现了全有/全无特性.此外, FeFET神经元同时接收兴奋性和抑制性信号时, 发射一个尖峰信号所需的兴奋性电压脉冲数量会随着抑制电压幅值增大而增加.然而, 由于非易失性, 铁电神经元中通常需要包含置位电路和脉冲发生器.Chen等通过调控Hf0.5Zr0.5O2结晶度实现了自发复位的FeFET, 进而构建了具有频率自适应性发射功能的LIF神经元[44]和无需电容的LIF神经元[45].然而, 铁电材料结晶度调控难度高, 难以满足器件大规模集成需求.2022年Cao等[43]利用Hf0.2Zr0.8O2反铁电薄膜构建反铁电晶体管(图3(a)).不同于铁电材料, 反铁电材料在电场作用下呈现电滞回线, 撤去电场后剩余极化为零.如图3(a)中上图所示, 反铁电晶体管在负栅压下为关闭状态, 正栅压下为开启状态.随着正栅压幅值增加, 反铁电材料极化强度增加, 器件电流增加.而随着栅压降低, 由于电滞回线的影响, 器件电流呈现回滞特性.当栅压为零时, 反铁电材料剩余极化为零, 器件关闭.因此, 器件在电压脉冲刺激下的电流呈现先增加后下降的现象, 其中自发的电流下降现象与神经元的泄漏类似.如图3(a)中下图所示, 器件在恒定幅值的连续电压脉冲刺激下, 器件电流表现出累积增加和自发泄漏的现象.如图3(b)所示, 通过在栅极施加不同幅值电压脉冲, 器件可模拟神经元膜电位动态累积和泄漏行为.搭建神经元电路(图3(c))可实现LIF发射行为和不应期.该人工神经元无需置位电路和额外的微结构调控, 降低了电路复杂性和能耗. ... Random number generation based on ferroelectric switching 1 2018 ... 很多氧化物具有铁电性, 如BaTiO3[36]、Pb(ZrxTi1-x)O3[37]、BiFeO3[38]等, 然而其CMOS工艺兼容性欠缺.自CMOS工艺中常用的HfO2被发现具有铁电性[39]以来, FeFET器件受到了广泛的关注.2018年Mulaosmanovic等[40-41]研究了Si:HfO2在电压脉冲下极化强度累积特性及铁电畴形核的随机性.进一步地, 利用Si:HfO2基FeFET构建了LIF神经元[42]，在不同电压脉冲幅值和脉宽下实现了全有/全无特性.此外, FeFET神经元同时接收兴奋性和抑制性信号时, 发射一个尖峰信号所需的兴奋性电压脉冲数量会随着抑制电压幅值增大而增加.然而, 由于非易失性, 铁电神经元中通常需要包含置位电路和脉冲发生器.Chen等通过调控Hf0.5Zr0.5O2结晶度实现了自发复位的FeFET, 进而构建了具有频率自适应性发射功能的LIF神经元[44]和无需电容的LIF神经元[45].然而, 铁电材料结晶度调控难度高, 难以满足器件大规模集成需求.2022年Cao等[43]利用Hf0.2Zr0.8O2反铁电薄膜构建反铁电晶体管(图3(a)).不同于铁电材料, 反铁电材料在电场作用下呈现电滞回线, 撤去电场后剩余极化为零.如图3(a)中上图所示, 反铁电晶体管在负栅压下为关闭状态, 正栅压下为开启状态.随着正栅压幅值增加, 反铁电材料极化强度增加, 器件电流增加.而随着栅压降低, 由于电滞回线的影响, 器件电流呈现回滞特性.当栅压为零时, 反铁电材料剩余极化为零, 器件关闭.因此, 器件在电压脉冲刺激下的电流呈现先增加后下降的现象, 其中自发的电流下降现象与神经元的泄漏类似.如图3(a)中下图所示, 器件在恒定幅值的连续电压脉冲刺激下, 器件电流表现出累积增加和自发泄漏的现象.如图3(b)所示, 通过在栅极施加不同幅值电压脉冲, 器件可模拟神经元膜电位动态累积和泄漏行为.搭建神经元电路(图3(c))可实现LIF发射行为和不应期.该人工神经元无需置位电路和额外的微结构调控, 降低了电路复杂性和能耗. ... Mimicking biological neurons with a nanoscale ferroelectric transistor 2 2018 ... 很多氧化物具有铁电性, 如BaTiO3[36]、Pb(ZrxTi1-x)O3[37]、BiFeO3[38]等, 然而其CMOS工艺兼容性欠缺.自CMOS工艺中常用的HfO2被发现具有铁电性[39]以来, FeFET器件受到了广泛的关注.2018年Mulaosmanovic等[40-41]研究了Si:HfO2在电压脉冲下极化强度累积特性及铁电畴形核的随机性.进一步地, 利用Si:HfO2基FeFET构建了LIF神经元[42]，在不同电压脉冲幅值和脉宽下实现了全有/全无特性.此外, FeFET神经元同时接收兴奋性和抑制性信号时, 发射一个尖峰信号所需的兴奋性电压脉冲数量会随着抑制电压幅值增大而增加.然而, 由于非易失性, 铁电神经元中通常需要包含置位电路和脉冲发生器.Chen等通过调控Hf0.5Zr0.5O2结晶度实现了自发复位的FeFET, 进而构建了具有频率自适应性发射功能的LIF神经元[44]和无需电容的LIF神经元[45].然而, 铁电材料结晶度调控难度高, 难以满足器件大规模集成需求.2022年Cao等[43]利用Hf0.2Zr0.8O2反铁电薄膜构建反铁电晶体管(图3(a)).不同于铁电材料, 反铁电材料在电场作用下呈现电滞回线, 撤去电场后剩余极化为零.如图3(a)中上图所示, 反铁电晶体管在负栅压下为关闭状态, 正栅压下为开启状态.随着正栅压幅值增加, 反铁电材料极化强度增加, 器件电流增加.而随着栅压降低, 由于电滞回线的影响, 器件电流呈现回滞特性.当栅压为零时, 反铁电材料剩余极化为零, 器件关闭.因此, 器件在电压脉冲刺激下的电流呈现先增加后下降的现象, 其中自发的电流下降现象与神经元的泄漏类似.如图3(a)中下图所示, 器件在恒定幅值的连续电压脉冲刺激下, 器件电流表现出累积增加和自发泄漏的现象.如图3(b)所示, 通过在栅极施加不同幅值电压脉冲, 器件可模拟神经元膜电位动态累积和泄漏行为.搭建神经元电路(图3(c))可实现LIF发射行为和不应期.该人工神经元无需置位电路和额外的微结构调控, 降低了电路复杂性和能耗. ...
* S: Source; R: Resistor; C: Capacitor; T: Transistor ... Compact artificial neuron based on anti-ferroelectric transistor 4 2022 ... 很多氧化物具有铁电性, 如BaTiO3[36]、Pb(ZrxTi1-x)O3[37]、BiFeO3[38]等, 然而其CMOS工艺兼容性欠缺.自CMOS工艺中常用的HfO2被发现具有铁电性[39]以来, FeFET器件受到了广泛的关注.2018年Mulaosmanovic等[40-41]研究了Si:HfO2在电压脉冲下极化强度累积特性及铁电畴形核的随机性.进一步地, 利用Si:HfO2基FeFET构建了LIF神经元[42]，在不同电压脉冲幅值和脉宽下实现了全有/全无特性.此外, FeFET神经元同时接收兴奋性和抑制性信号时, 发射一个尖峰信号所需的兴奋性电压脉冲数量会随着抑制电压幅值增大而增加.然而, 由于非易失性, 铁电神经元中通常需要包含置位电路和脉冲发生器.Chen等通过调控Hf0.5Zr0.5O2结晶度实现了自发复位的FeFET, 进而构建了具有频率自适应性发射功能的LIF神经元[44]和无需电容的LIF神经元[45].然而, 铁电材料结晶度调控难度高, 难以满足器件大规模集成需求.2022年Cao等[43]利用Hf0.2Zr0.8O2反铁电薄膜构建反铁电晶体管(图3(a)).不同于铁电材料, 反铁电材料在电场作用下呈现电滞回线, 撤去电场后剩余极化为零.如图3(a)中上图所示, 反铁电晶体管在负栅压下为关闭状态, 正栅压下为开启状态.随着正栅压幅值增加, 反铁电材料极化强度增加, 器件电流增加.而随着栅压降低, 由于电滞回线的影响, 器件电流呈现回滞特性.当栅压为零时, 反铁电材料剩余极化为零, 器件关闭.因此, 器件在电压脉冲刺激下的电流呈现先增加后下降的现象, 其中自发的电流下降现象与神经元的泄漏类似.如图3(a)中下图所示, 器件在恒定幅值的连续电压脉冲刺激下, 器件电流表现出累积增加和自发泄漏的现象.如图3(b)所示, 通过在栅极施加不同幅值电压脉冲, 器件可模拟神经元膜电位动态累积和泄漏行为.搭建神经元电路(图3(c))可实现LIF发射行为和不应期.该人工神经元无需置位电路和额外的微结构调控, 降低了电路复杂性和能耗. ...
* S: Source; R: Resistor; C: Capacitor; T: Transistor ... Bio-inspired Neurons Based on Novel Leaky-FeFET with Ultra-low Hardware Cost and Advanced Functionality for All-ferroelectric Neural NetWork 2 2019 ... 很多氧化物具有铁电性, 如BaTiO3[36]、Pb(ZrxTi1-x)O3[37]、BiFeO3[38]等, 然而其CMOS工艺兼容性欠缺.自CMOS工艺中常用的HfO2被发现具有铁电性[39]以来, FeFET器件受到了广泛的关注.2018年Mulaosmanovic等[40-41]研究了Si:HfO2在电压脉冲下极化强度累积特性及铁电畴形核的随机性.进一步地, 利用Si:HfO2基FeFET构建了LIF神经元[42]，在不同电压脉冲幅值和脉宽下实现了全有/全无特性.此外, FeFET神经元同时接收兴奋性和抑制性信号时, 发射一个尖峰信号所需的兴奋性电压脉冲数量会随着抑制电压幅值增大而增加.然而, 由于非易失性, 铁电神经元中通常需要包含置位电路和脉冲发生器.Chen等通过调控Hf0.5Zr0.5O2结晶度实现了自发复位的FeFET, 进而构建了具有频率自适应性发射功能的LIF神经元[44]和无需电容的LIF神经元[45].然而, 铁电材料结晶度调控难度高, 难以满足器件大规模集成需求.2022年Cao等[43]利用Hf0.2Zr0.8O2反铁电薄膜构建反铁电晶体管(图3(a)).不同于铁电材料, 反铁电材料在电场作用下呈现电滞回线, 撤去电场后剩余极化为零.如图3(a)中上图所示, 反铁电晶体管在负栅压下为关闭状态, 正栅压下为开启状态.随着正栅压幅值增加, 反铁电材料极化强度增加, 器件电流增加.而随着栅压降低, 由于电滞回线的影响, 器件电流呈现回滞特性.当栅压为零时, 反铁电材料剩余极化为零, 器件关闭.因此, 器件在电压脉冲刺激下的电流呈现先增加后下降的现象, 其中自发的电流下降现象与神经元的泄漏类似.如图3(a)中下图所示, 器件在恒定幅值的连续电压脉冲刺激下, 器件电流表现出累积增加和自发泄漏的现象.如图3(b)所示, 通过在栅极施加不同幅值电压脉冲, 器件可模拟神经元膜电位动态累积和泄漏行为.搭建神经元电路(图3(c))可实现LIF发射行为和不应期.该人工神经元无需置位电路和额外的微结构调控, 降低了电路复杂性和能耗. ...
* S: Source; R: Resistor; C: Capacitor; T: Transistor ... Capacitor-less Stochastic Leaky-FeFET Neuron of Both Excitatory and Inhibitory Connections for SNN with Reduced Hardware Cost 1 2019 ... 很多氧化物具有铁电性, 如BaTiO3[36]、Pb(ZrxTi1-x)O3[37]、BiFeO3[38]等, 然而其CMOS工艺兼容性欠缺.自CMOS工艺中常用的HfO2被发现具有铁电性[39]以来, FeFET器件受到了广泛的关注.2018年Mulaosmanovic等[40-41]研究了Si:HfO2在电压脉冲下极化强度累积特性及铁电畴形核的随机性.进一步地, 利用Si:HfO2基FeFET构建了LIF神经元[42]，在不同电压脉冲幅值和脉宽下实现了全有/全无特性.此外, FeFET神经元同时接收兴奋性和抑制性信号时, 发射一个尖峰信号所需的兴奋性电压脉冲数量会随着抑制电压幅值增大而增加.然而, 由于非易失性, 铁电神经元中通常需要包含置位电路和脉冲发生器.Chen等通过调控Hf0.5Zr0.5O2结晶度实现了自发复位的FeFET, 进而构建了具有频率自适应性发射功能的LIF神经元[44]和无需电容的LIF神经元[45].然而, 铁电材料结晶度调控难度高, 难以满足器件大规模集成需求.2022年Cao等[43]利用Hf0.2Zr0.8O2反铁电薄膜构建反铁电晶体管(图3(a)).不同于铁电材料, 反铁电材料在电场作用下呈现电滞回线, 撤去电场后剩余极化为零.如图3(a)中上图所示, 反铁电晶体管在负栅压下为关闭状态, 正栅压下为开启状态.随着正栅压幅值增加, 反铁电材料极化强度增加, 器件电流增加.而随着栅压降低, 由于电滞回线的影响, 器件电流呈现回滞特性.当栅压为零时, 反铁电材料剩余极化为零, 器件关闭.因此, 器件在电压脉冲刺激下的电流呈现先增加后下降的现象, 其中自发的电流下降现象与神经元的泄漏类似.如图3(a)中下图所示, 器件在恒定幅值的连续电压脉冲刺激下, 器件电流表现出累积增加和自发泄漏的现象.如图3(b)所示, 通过在栅极施加不同幅值电压脉冲, 器件可模拟神经元膜电位动态累积和泄漏行为.搭建神经元电路(图3(c))可实现LIF发射行为和不应期.该人工神经元无需置位电路和额外的微结构调控, 降低了电路复杂性和能耗. ... Current- driven magnetization reversal and spin-wave excitations in Co/Cu/Co pillars 1 2000 ... 自旋器件的核心单元为磁隧道结(Magnetic Tunneling Junction, MTJ), 由两层铁磁层和中间一层非磁隧穿层构成, 其中隧穿层材料常采用MgO.通过施加电流脉冲可以调控MTJ中一铁磁层磁矩方向, 可使器件在高阻态和低阻态间可逆转变 [46-47].利用自旋轨道矩(Spin Orbit Torque, SOT)特性构建的MTJ在多阻态存储方面具有一定的优势.Kurenkov等[48]通过调控器件厚度模拟了生物突触可塑性和神经元动态行为, 然而该神经元激活函数依然为二值函数.Yang等[49]报道了一种各向异性的自旋器件.通过施加电流脉冲, 磁畴的畴壁逐步发生位移, 霍尔电阻呈现非线性变化, 可以模拟神经形态计算中常用的Sigmoid激活函数, 而且激活函数可通过磁场调控.Liu等[50]利用补偿铁磁体完成了类似的工作. ... Generation and detection of phase-coherent current-driven magnons in magnetic multilayers 1 2000 ... 自旋器件的核心单元为磁隧道结(Magnetic Tunneling Junction, MTJ), 由两层铁磁层和中间一层非磁隧穿层构成, 其中隧穿层材料常采用MgO.通过施加电流脉冲可以调控MTJ中一铁磁层磁矩方向, 可使器件在高阻态和低阻态间可逆转变 [46-47].利用自旋轨道矩(Spin Orbit Torque, SOT)特性构建的MTJ在多阻态存储方面具有一定的优势.Kurenkov等[48]通过调控器件厚度模拟了生物突触可塑性和神经元动态行为, 然而该神经元激活函数依然为二值函数.Yang等[49]报道了一种各向异性的自旋器件.通过施加电流脉冲, 磁畴的畴壁逐步发生位移, 霍尔电阻呈现非线性变化, 可以模拟神经形态计算中常用的Sigmoid激活函数, 而且激活函数可通过磁场调控.Liu等[50]利用补偿铁磁体完成了类似的工作. ... Artificial neuron and synapse realized in an antiferromagnet/ferromagnet heterostructure using dynamics of spin-orbit torque switching 1 2019 ... 自旋器件的核心单元为磁隧道结(Magnetic Tunneling Junction, MTJ), 由两层铁磁层和中间一层非磁隧穿层构成, 其中隧穿层材料常采用MgO.通过施加电流脉冲可以调控MTJ中一铁磁层磁矩方向, 可使器件在高阻态和低阻态间可逆转变 [46-47].利用自旋轨道矩(Spin Orbit Torque, SOT)特性构建的MTJ在多阻态存储方面具有一定的优势.Kurenkov等[48]通过调控器件厚度模拟了生物突触可塑性和神经元动态行为, 然而该神经元激活函数依然为二值函数.Yang等[49]报道了一种各向异性的自旋器件.通过施加电流脉冲, 磁畴的畴壁逐步发生位移, 霍尔电阻呈现非线性变化, 可以模拟神经形态计算中常用的Sigmoid激活函数, 而且激活函数可通过磁场调控.Liu等[50]利用补偿铁磁体完成了类似的工作. ... Integrated neuromorphic computing networks by artificial spin synapses and spin neurons 1 2021 ... 自旋器件的核心单元为磁隧道结(Magnetic Tunneling Junction, MTJ), 由两层铁磁层和中间一层非磁隧穿层构成, 其中隧穿层材料常采用MgO.通过施加电流脉冲可以调控MTJ中一铁磁层磁矩方向, 可使器件在高阻态和低阻态间可逆转变 [46-47].利用自旋轨道矩(Spin Orbit Torque, SOT)特性构建的MTJ在多阻态存储方面具有一定的优势.Kurenkov等[48]通过调控器件厚度模拟了生物突触可塑性和神经元动态行为, 然而该神经元激活函数依然为二值函数.Yang等[49]报道了一种各向异性的自旋器件.通过施加电流脉冲, 磁畴的畴壁逐步发生位移, 霍尔电阻呈现非线性变化, 可以模拟神经形态计算中常用的Sigmoid激活函数, 而且激活函数可通过磁场调控.Liu等[50]利用补偿铁磁体完成了类似的工作. ... Compensated ferrimagnet based artificial synapse and neuron for ultrafast neuromorphic computing 1 2022 ... 自旋器件的核心单元为磁隧道结(Magnetic Tunneling Junction, MTJ), 由两层铁磁层和中间一层非磁隧穿层构成, 其中隧穿层材料常采用MgO.通过施加电流脉冲可以调控MTJ中一铁磁层磁矩方向, 可使器件在高阻态和低阻态间可逆转变 [46-47].利用自旋轨道矩(Spin Orbit Torque, SOT)特性构建的MTJ在多阻态存储方面具有一定的优势.Kurenkov等[48]通过调控器件厚度模拟了生物突触可塑性和神经元动态行为, 然而该神经元激活函数依然为二值函数.Yang等[49]报道了一种各向异性的自旋器件.通过施加电流脉冲, 磁畴的畴壁逐步发生位移, 霍尔电阻呈现非线性变化, 可以模拟神经形态计算中常用的Sigmoid激活函数, 而且激活函数可通过磁场调控.Liu等[50]利用补偿铁磁体完成了类似的工作. ... Spintronic leaky-integrate-fire spiking neurons with self-reset and winner-takes-all for neuromorphic computing 4 2023 ... 类似于FeFET神经元, 研发易失性的MTJ以实现神经元自动置位是当前的研究热点.2023年Wang等[51]以MgO为隧穿层，利用反铁磁材料构建了易失性SOT-MTJ(图4(a)).在磁场和电流刺激下, 磁畴从左向右逐渐生长, 可实现累积功能(图4(b)).电流为零时, 器件内残存的焦耳热调控器件内建磁场和Ruderman-Kittel-Kasuya-Yosida耦合效应的相互竞争, 导致磁畴从右向左生长, 从而模拟神经元泄漏功能.图4(c)展示了在电流脉冲下器件模拟LIF神经元累积和泄漏的动态过程.该神经元发射频率达17 MHz, 单次发射行为能耗为486 fJ.以该神经元为基础构建两层神经网络在手写字母识别任务中的准确率可达88.5%. ...
本文的其它图/表
|
